[论文解读] Quantum computing in neural networks

P. Gralewicz|ArXiv.org|Jan 21, 2004

Quantum Computing Algorithms and Architecture参考文献 19被引用 3

一句话总结

本文提出一种神经网络模型，通过概率脉冲列对量子态进行编码，证明人工神经电路可通过空间编码方案实现通用量子门——特别是单量子比特旋转和CNOT门。仿真结果表明门保真度和相干性可行，表明神经网络可作为量子计算的宏观平台。

ABSTRACT

According to the statistical interpretation of quantum theory, quantum computers form a distinguished class of probabilistic machines (PMs) by encoding n qubits in 2n pbits (random binary variables). This raises the possibility of a large-scale quantum computing using PMs, especially with neural networks which have the innate capability for probabilistic information processing. Restricting ourselves to a particular model, we construct and numerically examine the performance of neural circuits implementing universal quantum gates. A discussion on the physiological plausibility of proposed coding scheme is also provided.

研究动机与目标

• 研究神经网络是否可通过在概率脉冲列中编码量子态来实现量子计算。
• 证明使用简化的神经电路模型实现通用量子门（如单量子比特旋转和CNOT门）的可行性。
• 评估在神经系统中通过密集和稀疏空间编码等编码方案实现量子态编码的生理合理性。
• 分析资源需求和性能限制，特别是噪声、信号持续时间和突触可靠性的影响。
• 探索替代编码方案（如时间概率波）在神经网络中实现更稳定和高效的量子信息处理。

提出的方法

• 利用量子力学的统计诠释，将n量子比特态映射为2n个二值随机变量（pbit）的联合概率分布，实现在神经脉冲列中的量子态编码。
• 应用广义算符测量（POVM）将量子密度矩阵与可观测概率分布关联，其变换表示为 $\hat{p} = A\hat{\varrho}$。
• 构建使用确定性神经元作为计数器以离散化线性累积输入的神经电路，模拟量子门操作。
• 采用简化的神经模型，简化动力学，假设无突触噪声且时间步长固定（约5 ms），在约30个时间步长（约150 ms信号持续时间）内模拟门性能。
• 测试两种编码方案：'密集'空间编码（每量子比特2个神经元）和'稀疏'空间编码（无时间相关性），评估其稳定性和性能。
• 通过数值仿真评估门保真度和相干性，重点关注信噪比权衡及细胞噪声对确定性操作的影响。

实验结果

研究问题

• RQ1 具有概率脉冲列的神经电路能否实现如单量子比特旋转和CNOT门等通用量子门？
• RQ2 不同的神经编码方案（密集空间编码、稀疏空间编码和时间概率波编码）如何影响量子门实现的稳定性和性能？
• RQ3 在神经网络中实现量子操作的关键资源需求（如信号持续时间、神经元数量、噪声容忍度）是什么？
• RQ4 噪声和突触可变性如何影响神经模型中量子门操作的保真度和相干性？
• RQ5 神经网络在多大程度上可作为量子计算的宏观类比，其对理解神经编码和量子基础理论有何启示？

主要发现

• 神经电路可通过在脉冲列中对量子态进行概率编码，成功实现通用量子门，仿真结果在1量子比特和2量子比特操作中均达到高保真度。
• 门性能的最优信号持续时间约为30个时间步长（约150 ms），与真实的神经处理时间尺度一致。
• 具有尖锐放电阈值的确定性工作模式在保真度方面优于随机模式，尽管在替代编码方案中可通过随机共振利用噪声。
• 缺乏时间相关性的稀疏空间编码方案比受短期突触可塑性影响的时序编码更稳定。
• 密集空间编码每量子比特需两个神经元，但编码效率高；然而，由于需要精确的脉冲时间同步和相关性追踪，处理成本较高。
• 本研究表明，神经网络可作为实现量子计算的可行宏观平台，对神经科学和量子信息科学均具重要意义。